發(fā)電商參與碳市場與電力中長期市場聯(lián)合決策模型

鄧盛盛，陳皓勇，肖東亮，段聲志，鄭曉東

發(fā)電商參與碳市場與電力中長期市場聯(lián)合決策模型

鄧盛盛，陳皓勇，肖東亮，段聲志，鄭曉東

(華南理工大學(xué)電力學(xué)院，廣東 廣州 510641)

在雙碳目標及全國碳市場上線的背景下，發(fā)電商需同時在電力市場及碳市場上進行交易決策。目前相關(guān)研究未深入考慮電力中長期市場及發(fā)電商在碳市場上的投機行為。為此，提出了一種發(fā)電商參與碳市場與電力中長期市場聯(lián)合決策模型。該模型以一年的碳市場履約期為優(yōu)化周期，在考慮發(fā)電商投機行為的基礎(chǔ)上，利用條件風(fēng)險價值刻畫由于市場價格不確定性所帶來的利潤風(fēng)險。該模型同時改進了相關(guān)研究中碳市場碳價僅假定為固定值的不足，且克服了原本以履約期為時間尺度的碳配額約束被強行分解到電力市場各個交易時段的問題?；趶V東省相關(guān)市場數(shù)據(jù)搭建算例，并與傳統(tǒng)的發(fā)電商決策模型進行對比分析。結(jié)果表明：發(fā)電商可根據(jù)該模型綜合考慮電力市場及碳市場情況進行交易決策，獲得比傳統(tǒng)模型更優(yōu)的綜合效益。

發(fā)電商；條件風(fēng)險價值；碳市場；中長期；電力市場；聯(lián)合決策

0 引言

碳排放交易體系的建設(shè)旨在控制和減少溫室氣體排放，推動經(jīng)濟發(fā)展向綠色低碳轉(zhuǎn)型，是實現(xiàn)“碳達峰碳中和”目標的重要手段[1-3]。2021年7月，全國碳市場正式上線交易，發(fā)電行業(yè)作為碳減排的最大主體，成為首個納入全國碳市場的行業(yè)。碳市場與電力市場之間存在著復(fù)雜的相互作用關(guān)系，將對發(fā)電商的經(jīng)營決策和利益產(chǎn)生重要影響[4-6]。

對于發(fā)電商而言，新的背景下需同時考慮在碳市場和電力市場中的經(jīng)營決策以實現(xiàn)自身利益最大化[7-9]。文獻[10]基于歐洲伊比利亞電力市場和西班牙碳減排計劃，提出了條件風(fēng)險排放的概念，建立了發(fā)電商考慮碳排放超標風(fēng)險約束的最優(yōu)日前市場投標模型，該模型可使得發(fā)電商以一定置信概率滿足碳排放約束下效益最大，但考慮的僅是碳排放約束而非發(fā)電商參與碳市場。文獻[11]考慮了燃煤機組、新能源機組等多類市場主體，基于古諾博弈競爭模型研究了碳排放成本的引入對電力市場均衡及發(fā)電商市場行為的影響，但并未建立碳市場相關(guān)模型。文獻[12]基于英國碳減排體系，建立了以發(fā)電商年期望收益最大為優(yōu)化目標的雙層優(yōu)化模型，該模型考慮發(fā)電商須在年初購買全年發(fā)電所需的碳配額，若年末碳排放超標，則須以更高的懲罰價格購買超排所需碳配額。文獻[13]研究了電力市場、天然氣市場及碳市場之間的相互影響關(guān)系，分析了網(wǎng)絡(luò)阻塞及碳排放政策等因素對發(fā)電商市場力行使的影響。文獻[11-13]均將碳排放價格或碳配額價格假設(shè)為固定值，未考慮碳市場碳配額價格的不確定性和波動性。文獻[14]為研究碳市場對發(fā)電商競價策略的影響，在電力市場各交易時段出清中考慮了碳排放約束，但該碳排放約束為根據(jù)履約期碳配額總量分配至各個交易時段得到。文獻[15]建立了同時考慮碳排放權(quán)交易及電價風(fēng)險下的發(fā)電商優(yōu)化調(diào)度模型，該模型可以在一定程度上平衡發(fā)電商利潤與風(fēng)險，但沒有考慮碳配額價格不確定性所帶來的風(fēng)險。文獻[16]建立了一個古諾-納什均衡模型用于研究總量管制與碳排放權(quán)交易對發(fā)電商市場行為的影響，結(jié)果表明低碳排放的發(fā)電商將擁有更高的市場競爭力。文獻[17]以邊際碳減排成本作為碳配額價格，建立了一種引入碳交易機制下的發(fā)電商與電力用戶競價博弈模型。然而，文獻[14-17]均存在著將履約期碳配額總量強行分解到電力市場單個交易時段作為出清約束的問題。實際上，發(fā)電商僅需要在履約期(通常為一年)結(jié)束時碳配額清繳數(shù)量滿足要求即可，而對單個時段或單日的碳排放并無約束。

總的來說，目前關(guān)于發(fā)電商同時參與碳市場與電力市場的研究中鮮有考慮電力中長期市場，且大多假定碳市場中碳配額價格固定[18-19]，抑或是將一年履約期的碳配額總量分配到電力市場各個交易時段作為出清約束[20-22]。固定的碳配額價格和強行地將以履約期為時間尺度的碳配額約束分解到電力市場中的每一個交易時段，不符合碳市場實際情況，也鮮有文獻考慮發(fā)電商在碳市場中對碳配額的囤積倒賣等投機行為。

針對上述問題，本文以一年的碳市場履約期作為優(yōu)化決策周期，并考慮發(fā)電商在碳市場上的投機行為，提出一種基于條件風(fēng)險價值的發(fā)電商參與碳市場與電力中長期市場聯(lián)合決策模型。首先構(gòu)建了發(fā)電商參與碳市場交易模型、參與電力中長期市場交易模型，并且建立發(fā)電商參與電力市場及碳市場的耦合約束；其次考慮發(fā)電商的投機行為并利用條件風(fēng)險價值刻畫由于市場價格不確定性所帶來的發(fā)電商利潤風(fēng)險，以計及發(fā)電商年期望利潤與風(fēng)險的綜合效益最優(yōu)為決策目標，建立發(fā)電商參與碳市場與電力中長期市場的聯(lián)合決策模型；基于廣東省2021年電力中長期市場及碳市場相關(guān)規(guī)則和市場運行數(shù)據(jù)搭建算例，考慮不同的碳排放基準值，將本文模型與傳統(tǒng)模型進行對比分析，驗證了本文模型的有效性；最后分析了不同碳配額價格水平下碳排放約束對發(fā)電商的影響。

1 條件風(fēng)險價值

條件風(fēng)險價值(conditional value at risk, CVaR)是由文獻[23]提出的一種對風(fēng)險價值(value at risk, VaR)的修正方法，CVaR克服了VaR不滿足一致性、次可加性等缺點，同時能度量置信水平外潛在的平均風(fēng)險水平，是廣泛使用的風(fēng)險計量工具[24-26]。

對于給定的置信度∈(0,1)，條件風(fēng)險價值CVaR被定義為損失大于損失分布的(1?)分位數(shù)(也即損失臨界值)時的期望值，CVaR也被稱為平均超額損失或平均風(fēng)險值[23]。一個離散分布的CVaR最優(yōu)化問題可被表述為

因此，本文借鑒文獻[30]，區(qū)別于常規(guī)的CVaR計算方法，將CVaR最優(yōu)化問題改寫為

2 發(fā)電商參與碳市場與電力中長期市場聯(lián)合決策模型

發(fā)電商在電力市場中的效益主要受中長期市場所影響[31]，然而目前發(fā)電商同時參與電力市場與碳市場相關(guān)研究工作中未見考慮中長期市場，故本文在電力市場上主要聚焦于發(fā)電商在中長期市場上的決策行為，包括參與中長期年度交易與月度交易，而暫不考慮現(xiàn)貨交易。

在碳市場上，發(fā)電商可根據(jù)交易規(guī)則自由買賣碳配額，但在履約期末需滿足碳配額履約要求?？紤]到在省級、區(qū)域級甚至全國統(tǒng)一電力市場和碳市場的環(huán)境下，單個發(fā)電商的決策行為對市場影響不大，故認為發(fā)電商在電力市場及碳市場上為價格接受者，發(fā)電商根據(jù)預(yù)測的電價和碳配額價格做出經(jīng)營決策，價格預(yù)測目前已有許多相對成熟的方法[32-35]。

本文所提出的發(fā)電商參與碳市場與電力中長期市場聯(lián)合決策模型可分為年前決策與年內(nèi)決策兩部分，決策流程如圖1所示。

在年前決策部分，將電力中長期年度合約價格視為已知量，發(fā)電商首先預(yù)測次年各月的電力中長期月度交易價格、碳配額價格，以計及履約期期望利潤與風(fēng)險的綜合效益最優(yōu)為決策目標，制定次年的年度合約交易計劃、各月的月度交易計劃，各月的碳配額交易計劃(包括決策買入或是賣出碳配額以及具體數(shù)量)，但只實施年度合約交易計劃、1月份的月度交易計劃以及1月份的碳配額交易計劃。

圖1 碳市場與電力中長期市場聯(lián)合決策流程

在年內(nèi)決策部分，發(fā)電商在每個月的月前根據(jù)最新的市場信息重新預(yù)測未來各月的月度交易價格、碳配額價格，以計及剩余履約期內(nèi)期望利潤與風(fēng)險的綜合效益最優(yōu)為決策目標，同時考慮當(dāng)前所持有的碳配額數(shù)量，決策未來各月的電力中長期月度交易計劃，碳配額交易計劃，但只實施次月的交易計劃，以此進行每個月的滾動決策[29]直至年末。

2.1 年前決策

2.1.1目標函數(shù)

以計及發(fā)電商履約期期望利潤與風(fēng)險的綜合效益最優(yōu)為決策目標，由市場價格不確定性所帶來的風(fēng)險通過CVaR進行計量，并通過蒙特卡洛法求取發(fā)電商年期望利潤及CVaR，目標函數(shù)為

s.t

2.1.2碳市場交易模型

1) 初始碳配額分配

按照國家最新發(fā)布的《2019—2020年全國碳排放權(quán)交易配額總量設(shè)定與分配實施方案(發(fā)電行業(yè))》，碳配額分配分為預(yù)分配及最終核定兩個階段，首先在年初按機組上一年度供電量的70%預(yù)分配碳配額，在年末完成年度碳排放數(shù)據(jù)核查后，按機組實際供電量對配額進行最終核定。初始碳配額采用基準線法免費分配，預(yù)分配碳配額為

最終核定碳配額為

2) 碳配額月度買入、賣出約束

發(fā)電商月度買入碳配額不能超過政府所分配免費配額的一定比例，賣出碳配額不能超出當(dāng)前所持有的碳配額總量。

3) 碳配額持有量約束

為防止發(fā)電商過度的投機行為，監(jiān)管機構(gòu)對發(fā)電商碳配額持有上限進行限制，發(fā)電商持有的碳配額數(shù)量不得超過規(guī)定的限額。

4) 最小交易量約束

式中，為碳配額最小交易量，通常為1 t。

2.1.3電力中長期市場交易模型

1) 發(fā)電能力約束

發(fā)電商每月發(fā)電量受到其當(dāng)月發(fā)電能力限制。

2) 年度合約電量約束

電力交易機構(gòu)鼓勵市場主體簽訂長周期合同，發(fā)電商年度合約簽約電量應(yīng)當(dāng)不低于中長期簽約總電量的一定比例。

3) 年度合約電量分解至各月比例約束

年度合約電量按事先設(shè)定的比例分解至月度，該比例可根據(jù)全市場用戶歷史用電特性確定。

2.1.4電-碳耦合約束

在碳市場履約期結(jié)束進行碳配額清繳時，發(fā)電商所持有的碳配額應(yīng)當(dāng)大于其發(fā)電所產(chǎn)生的碳排放總量。發(fā)電商所持有的碳配額為以下兩部分之和：

1) 政府按照基準線法免費分配的碳配額；

2) 發(fā)電商在碳市場上進行交易，在履約期結(jié)束時的碳配額交易凈值。

則電-碳耦合約束可寫作式(22)。

2.2 年內(nèi)決策

2.2.1目標函數(shù)

s.t

2.2.2碳市場交易模型

1) 碳配額月度買入、賣出約束

2) 碳配額持有量約束

3) 最小交易量約束

2.2.3電力中長期市場交易模型

1) 發(fā)電能力約束

2.2.4電-碳耦合約束

3 算例分析

設(shè)發(fā)電商擁有一臺640 MW燃煤機組，該機組發(fā)電成本取300元/MWh，碳排放系數(shù)為0.9 t/MWh，算例考慮以下兩種情形：

情形1：碳排放基準值為0.85 t/MWh，低于發(fā)電商所擁有機組的碳排放系數(shù)。

情形2：碳排放基準值為0.95 t/MWh，高于發(fā)電商所擁有機組的碳排放系數(shù)。

根據(jù)廣東省2021年電力市場、碳市場相關(guān)規(guī)則及市場運行數(shù)據(jù)，假定發(fā)電商年度中長期合約簽約電量須不低于中長期合約簽約總電量的70%，年度中長期合約價格為421.82元/MWh，電力中長期月度交易價格預(yù)測值及碳配額價格預(yù)測值見圖2，同時假定預(yù)測價格與市場實際價格之差服從標準差為隨預(yù)測的時間提前量增大而增大的正態(tài)分布。

圖2 電力中長期月度交易價格預(yù)測及碳配額價格預(yù)測

3.1 決策結(jié)果分析

圖3 情形1發(fā)電商決策

圖4 情形2發(fā)電商決策

從圖3(a)、圖4(a)中可以看到無論是情形1還是情形2，發(fā)電商決策的各個月的發(fā)電量均達到其最大發(fā)電計劃。原因在于，即便在情形1下發(fā)電商單位發(fā)電成本會因需額外購買碳配額而增加，但還是遠小于發(fā)電商的單位發(fā)電利潤，因此兩種情形下發(fā)電商均選擇盡可能的多發(fā)電以獲得更大的利潤。另一方面，年度中長期合約電量需分解至6—8月的比例較高，而6—8月的月度交易預(yù)測價格遠高于年度合約價格，因此，發(fā)電商選擇盡可能少簽?zāi)甓群霞s電量，兩種情形下發(fā)電商年度合約電量均為中長期合約電量的70%，為規(guī)定的最小比例，從而留有更多發(fā)電空間在月度交易市場上獲利。

從圖3(b)、圖4(b)可以看出，兩種情形下發(fā)電商均選擇在碳配額價格較低的年初若干月份大量購入碳配額達到其碳配額持有上限，并在碳配額價格相對較高的7月賣出部分碳配額，在碳配額價格較低的8、9月回購碳配額以重新達到持有上限，從而可在后續(xù)價格高的月份賣出以獲得最大效益。同時注意到，12月的碳配額價格高于10月和11月，但為避免價格不確定性所帶來的過大利潤風(fēng)險，發(fā)電商不會將所有碳配額集中在12月售出。兩種情形下，發(fā)電商在碳市場上的決策差別僅在于交易的碳配額數(shù)量，原因在于為獲得最大的綜合效益，發(fā)電商買入或者賣出碳配額的時間節(jié)點不會改變，而碳配額交易數(shù)量改變的原因在于，兩種情形下碳排放基準值不同導(dǎo)致發(fā)電商單次買入、賣出和持有碳配額上限不同，另外情形2下發(fā)電商需在碳市場凈賣出碳配額，區(qū)別于情形1發(fā)電商需在碳市場凈買入碳配額。綜合以上分析，本文模型可供發(fā)電商根據(jù)電力中長期年度和月度交易價格、碳配額價格靈活決策在電力市場與碳市場中的交易行為以在控制風(fēng)險的同時獲得最大的綜合效益。

3.2 發(fā)電商不同風(fēng)險偏好對決策的影響分析

為研究發(fā)電商不同風(fēng)險偏好對決策的影響，在本文模型中取不同的風(fēng)險權(quán)重系數(shù)得到發(fā)電商在情形1下的決策安排，結(jié)果如圖5所示。從圖5中可以看出，隨著風(fēng)險權(quán)重系數(shù)的增大(即發(fā)電商風(fēng)險偏好程度的降低)，發(fā)電商的利潤期望值逐漸減小，與此同時，CVaR也逐漸提高，即風(fēng)險逐漸減小。原因在于，隨著風(fēng)險偏好程度的降低，發(fā)電商一方面會減少存在價格不確定性但收益相對較高的月度交易電量，更多的選擇簽訂年度合約電量，另一方面則會減少在碳市場上的投機行為，將碳配額相對分散地購買和賣出以減小風(fēng)險。因此，本文模型可通過調(diào)整風(fēng)險權(quán)重系數(shù)適應(yīng)發(fā)電商對風(fēng)險的不同偏好程度以供發(fā)電商靈活決策。特別地，本文算例中發(fā)電商在年前與年內(nèi)各個月的決策中所使用的風(fēng)險權(quán)重系數(shù)保持一致，實際上在不同的時間節(jié)點發(fā)電商對風(fēng)險的偏好程度可以是不同的，本文模型同樣適用于該種情形。

圖5 不同風(fēng)險偏好下發(fā)電商預(yù)期利潤及條件風(fēng)險價值

Fig. 5 Expected profit and CVaR of producers under different risk preferences

3.3 與傳統(tǒng)發(fā)電商決策模型對比分析

模型1：發(fā)電商以發(fā)電綜合效益最大為目標進行發(fā)電安排，但僅在碳市場履約期限臨近時進行碳配額交易以滿足履約要求，該模型對應(yīng)于目前大多數(shù)發(fā)電商的實際決策安排。本文假設(shè)發(fā)電商在該模型下僅參加12月份的碳市場交易。

模型2：發(fā)電商以綜合效益最大為目標進行發(fā)電安排，并且將履約期內(nèi)的碳配額約束平均分解到每個月，根據(jù)該約束在碳市場進行交易以使發(fā)電商每月均滿足履約要求。該模型對應(yīng)于目前大多數(shù)文獻將以履約期為時間尺度的碳配額約束分解到電力市場中的每一個交易時段的做法。

3.3.1不同決策模型下發(fā)電商效益分析

以情形1為例對不同決策模型下發(fā)電商效益進行對比分析，結(jié)果如表1所示。從表1可以看出，3種模型下發(fā)電商所決策發(fā)電量均達到其最大計劃發(fā)電量，從CVaR來看，模型2高于模型1與本文模型，原因在于模型2在每個月均使得碳配額滿足履約要求，風(fēng)險最小。模型1僅在12月進行碳配額交易以滿足碳配額履約要求，因12月碳價預(yù)測誤差較大，風(fēng)險將高于模型2。而本文模型根據(jù)碳市場情況靈活決策碳配額交易行為，獲得更多利潤的同時風(fēng)險也將提高。從利潤期望值來看，本文模型最高，與模型1、模型2相比分別提高9.2%、8.6%，CVaR與模型1持平，與模型2相比僅降低0.78%，即通過小幅度降低置信度外的期望利潤，獲得了置信度內(nèi)期望利潤的較大幅度提高，綜合效益較模型1、模型2分別提高了6.4%、5.9%，表明了本文模型的有效性。

表1 3種決策模型下發(fā)電商效益

3.3.2碳排放約束對不同模型下發(fā)電商的影響分析

為研究碳排放約束對不同決策模型下發(fā)電商的影響，分別考慮：(1) 無碳排放約束，發(fā)電商不需要考慮碳排放約束，不參與碳市場；(2) 有碳排放約束，發(fā)電商需考慮碳排放約束，且可通過碳市場交易滿足碳配額履約要求。

不同情形下發(fā)電商的綜合效益、利潤期望及CVaR如表2中A行所示。在情形1下，模型1與模型2的發(fā)電商期望利潤均低于無碳排放約束場景，分別降低了2.0%、1.5%，而發(fā)電商采用本文模型時期望利潤則增加了7.0%，CVaR僅相比無碳排放約束場景降低2.3%。在情形2下，3種模型的發(fā)電商期望利潤均高于無碳排放約束場景，分別增長2.2%、1.7%、10.2%，本文模型期望利潤增加最多，同時CVaR也僅降低0.51%，綜合效益高于模型1和模型2。

表2 碳市場對不同決策模型下發(fā)電商的影響

進一步地，考慮到當(dāng)前碳市場上碳配額價格偏低，對發(fā)電商的影響較為有限，伴隨著全國統(tǒng)一碳市場的建立以及碳配額免費分配量的減少，碳配額價格呈現(xiàn)上漲趨勢。因此考慮在碳配額原有價格基礎(chǔ)上整體上漲200元/t以做進一步分析，優(yōu)化結(jié)果如表2中B行所示。

在高碳配額價格下，與無碳排放約束場景相比，情形1中3種模型的期望利潤均下降，分別下降10.2%、9.7%、1.2%，本文模型在CVaR與其他兩種模型相差不大的情況下，利潤下降最少。在情形2中，3種模型的期望利潤均大幅上升，分別上升10.2%、9.7%、18.5%，同樣，本文模型在CVaR與其他兩種模型相差不大的情況下，期望利潤提高最多。由于情形1與情形2可分別等效于高排放機組與低排放機組參與碳市場，上述結(jié)果說明了碳排放約束可在一定程度上減少高排放機組的收益，增加低排放機組的收益，但從表2中A行可以看到，采用本文模型進行決策，即使是高排放機組也能在有碳排放約束情況下獲得比無碳排放約束時更高的利潤，原因在于在碳配額價格較低的情況下，高排放機組發(fā)電商可在碳市場上靈活決策進行投機，在可接受風(fēng)險范圍內(nèi)因投機所獲得的利潤要大于因為碳排放約束所增加的發(fā)電成本。同時從表2中B行可以看到，當(dāng)碳配額價格上漲至一定水平時，碳排放約束帶來的發(fā)電成本的增加將大于高排放機組發(fā)電商在碳市場上投機帶來的利潤，3種模型下高排放機組發(fā)電商的期望利潤均出現(xiàn)不同程度下降，但本文模型在與傳統(tǒng)模型的CVaR相差不大的情況下期望利潤下降最少，綜合效益更優(yōu)，說明了本文模型的有效性。

從以上分析中也可以看到，對于政策制定者而言，為了能更有效引導(dǎo)高碳排放機組改造或淘汰，切實降低溫室氣體排放，除了減少碳配額免費分配量、降低碳排放基準值等措施外，還可以采取如限制發(fā)電商持有碳配額數(shù)量上限、限制碳配額價格變化幅度等措施抑制發(fā)電商的投機行為，保證碳市場平穩(wěn)運行以使得碳排放約束盡可能傳導(dǎo)至發(fā)電商，更好促進發(fā)電商向清潔低碳轉(zhuǎn)型。

4 結(jié)論

本文對目前相關(guān)研究中假定碳配額價格固定、強行地將以履約期為時間尺度的碳配額約束分解到電力市場中的每一個交易時段、未考慮電力中長期市場及發(fā)電商碳市場投機行為等不足進行改進，提出一種基于條件風(fēng)險價值的發(fā)電商參與碳市場與電力中長期市場聯(lián)合決策模型，基于廣東省相關(guān)市場數(shù)據(jù)搭建算例，將本文所建決策模型與傳統(tǒng)模型進行對比分析，得出以下結(jié)論：

1) 發(fā)電商可根據(jù)本文提出的聯(lián)合決策模型綜合考慮電力市場與碳市場的情況，根據(jù)對風(fēng)險的不同偏好程度靈活決策在電力市場與碳市場中的交易行為，可以獲得比傳統(tǒng)模型更大的綜合效益。

2) 通過置信度外的效益期望值刻畫發(fā)電商利潤風(fēng)險，可避免效益型函數(shù)運用于CVaR計算時需構(gòu)造損失函數(shù)的問題。

3) 碳排放約束減少高排放機組的收益，增加低排放機組的收益，采用本文模型進行決策，在較低的碳配額價格水平下，高排放機組有可能獲得比無碳排放約束時更大的收益。

4) 為更好地引導(dǎo)發(fā)電商向清潔低碳轉(zhuǎn)型，可采取如限制發(fā)電商持有碳配額數(shù)量上限、限制碳配額價格變動幅度等措施抑制發(fā)電商投機行為，使碳排放約束盡可能傳導(dǎo)至發(fā)電商。

隨著雙碳目標的提出和全國碳市場的上線，本文模型有助于發(fā)電商兼顧風(fēng)險和收益，為發(fā)電商同時參與碳市場與電力中長期市場的經(jīng)營決策提供一定指導(dǎo)。此外，本文模型還可應(yīng)用于發(fā)電商投資及運行規(guī)劃決策中，進一步的研究將結(jié)合電力現(xiàn)貨、碳期貨、碳減排設(shè)備投資等內(nèi)容，以期為發(fā)電商提供多市場環(huán)境以及多種碳減排途徑下的最優(yōu)經(jīng)營策略。

[1] 胡健, 秦玉杰, 焦提操, 等. 泛在電力物聯(lián)網(wǎng)環(huán)境下考慮碳排放權(quán)約束的VPP理性調(diào)峰模型[J]. 電力系統(tǒng)保護與制, 2020, 48(3): 49-57.

HU Jian, QIN Yujie, JIAO Ticao, et al.Rational peak shaving model of VPP considering carbon emission rights constraints in ubiquitous power internet of things environment[J]. Power System Protection and Control,2020, 48(3): 49-57.

[2] 馮昌森, 謝方銳, 文福拴, 等. 基于智能合約的綠證和碳聯(lián)合交易市場的設(shè)計與實現(xiàn)[J]. 電力系統(tǒng)自動化, 2021, 45(23): 1-11.

FENG Changsen, XIE Fangrui, WEN Fushuan, et al. Design and implementation of joint trading market for green power certificate and carbon based on smart contract[J]. Automation of Electric Power Systems, 2021, 45(23): 1-11.

[3] 劉春蕾, 龐鵬飛, 石紋赫, 等. 計及碳中和效益及清潔能源消納的虛擬電廠雙層協(xié)同優(yōu)化調(diào)度[J]. 供用電, 2021, 38(9): 19-27.

LIU Chunlei, PANG Pengfei, SHI Wenhe, et al. Taking into account carbon neutrality benefit and clean energy consumption of virtual power plant two-layer cooperative optimization dispatching[J]. Distribution & Utilization, 2021, 38(9): 19-27.

[4] 陳皓勇. 碳中和目標下的電力系統(tǒng)和電力市場轉(zhuǎn)型[J].中國電力企業(yè)管理, 2020(28): 19-23.

[5] 陳皓勇. “雙碳”目標下的電能價值分析與市場機制設(shè)計[J]. 發(fā)電技術(shù), 2021, 42(2): 141-150.

CHEN Haoyong. Electricity value analysis and market mechanism design under carbon-neutral goal[J]. Power Generation Technology, 2021, 42(2): 141-150.

[6]MI Yuanze, LIU Chunyang, YANG Jinye, et al. Low-carbon generation expansion planning considering uncertainty of renewable energy at multi-time scales[J]. Global Energy Interconnection, 2021, 4(3): 261-272.

[7] HAN L, ESEYE A T, ZHANG J, et al. Optimal energy management for industrial microgrids with high-penetration renewables[J]. Protection and Control of Modern Power Systems, 2017, 2(2): 122-135.

[8] DING Tao, LU Runzhao, XU Yiting, et al. Joint electricity and carbon market for Northeast Asia energy interconnection[J]. Global Energy Interconnection, 2020, 3(2): 99-110.

[9] 萬文軒, 冀亞男, 尹力, 等. 碳交易在綜合能源系統(tǒng)規(guī)劃與運行中的應(yīng)用及展望[J]. 電測與儀表, 2021, 58(11): 39-48.

WAN Wenxuan, JI Ya’nan, YIN Li, et al. Application and prospect of carbon trading in the planning and operation of integrated energy system[J]. Electrical Measurement & Instrumentation, 2021, 58(11): 39-48.

[10]HEREDIA F J, CIFUENTES-RUBIANO J, CORCHERO C. Stochastic optimal generation bid to electricity markets with emissions risk constraints[J]. Journal of Environmental Management, 2018, 207: 432-443.

[11]李嘉龍, 陳雨果, 劉思捷, 等. 考慮碳排放成本的電力市場均衡分析[J]. 電網(wǎng)技術(shù), 2016, 40(5): 1558-1563.

LI Jialong, CHEN Yuguo, LIU Sijie, et al. Electricity market equilibrium analysis considering carbon emission cost[J]. Power System Technology, 2016, 40(5): 1558-1563.

[12]WANG Pei, TANG Jiajun, ZHANG Zhi, et al. Bidding strategy optimization for power generation company in carbon emission rights and electricity market[J]. Energy Reports, 2022, 8(5): 325-331.

[13]CHEN S, CONEJO A. J, WEI Z. Conjectural-variations equilibria in electricity, natural-gas, and carbon-emission markets[J]. IEEE Transactions on Power Systems, 2021, 36(5): 4161-4171.

[14] 段聲志, 陳皓勇, 鄭曉東, 等. 碳市場背景下發(fā)電商競價策略及電力市場均衡分析[J]. 電測與儀表, 2022, 59(5): 33-41.

DUAN Shengzhi, CHEN Haoyong, ZHENG Xiaodong, et al. Bidding strategy of electricity generation and electricity market equilibrium analysis under the background of carbon market[J]. Electrical Measurement & Instrumentation, 2022, 59(5): 33-41.

[15] 劉思東, 朱幫助. 考慮碳排放權(quán)交易和電價風(fēng)險的發(fā)電商優(yōu)化調(diào)度[J]. 系統(tǒng)工程理論與實踐, 2015, 35(8): 2054-2063.

LIU Sidong, ZHU Bangzhu. Self-scheduling of generation company considering carbon trading and electricity price risk[J]. Systems Engineering-Theory & Practice, 2015, 35(8): 2054-2063.

[16] SEK A, FDG B. Investigating emission regulation policy in the electricity sector: modeling an oligopolistic electricity market under hourly cap-and-trade[J]. Energy Economics, 2019, 78: 428-443.

[17] 陳麗霞, 周云, 方陳, 等. 考慮碳交易的發(fā)電商和電力用戶競價博弈[J]. 電力系統(tǒng)及其自動化學(xué)報, 2019, 31(10): 66-72.

CHEN Lixia, ZHOU Yun, FANG Chen, et al. Bidding game between power generation companies and consumersconsidering carbon trade[J]. Proceedings of the CSU-EPSA, 2019, 31(10): 66-72.

[18] FEIJOO F, DAS T K. Design of Pareto optimal CO2cap-and-trade policies for deregulated electricity networks[J]. Applied Energy, 2014, 119: 371-383.

[19] 王瑞, 程杉, 汪業(yè)喬, 等. 基于多主體主從博弈的區(qū)域綜合能源系統(tǒng)低碳經(jīng)濟優(yōu)化調(diào)度[J]. 電力系統(tǒng)保護與控制, 2022, 50(5): 12-21.

WANG Rui, CHENG Shan, WANG Yeqiao, et al. Low- carbon and economic optimization of a regional integrated energy system based on a master-slave game with multiple stakeholders[J]. Power System Protection and Control, 2022, 50(5): 12-21.

[20] 馮奕, 應(yīng)展烽, 顏建虎. 考慮碳排放成本的多能互補微能源網(wǎng)儲能裝置優(yōu)化運行[J]. 電力系統(tǒng)保護與控制, 2021, 49(8): 92-99.

FENG Yi, YING Zhanfeng, YAN Jianhu.Optimized operation of energy storage in a multi-energy complementary micro-energy network considering carbon emission cost[J].Power System Protection and Control, 2021, 49(8): 92-99.

[21] 羅莎莎, 余欣梅, 劉云. 碳市場與電能量市場均衡交易分析[J]. 南方電網(wǎng)技術(shù), 2014, 8(1): 104-108.

LUO Shasha. YU Xinmei, LIU Yu. Analysis on the equilibrium trading between carbon market and electric power market[J]. Southern Power System Technology, 2014, 8(1): 104-108.

[22] 葉澤, 何姣, 周鑫, 等. 發(fā)電行業(yè)碳排放權(quán)初始配額分配的雙層規(guī)劃模型[J]. 系統(tǒng)工程, 2018, 36(11): 140-146.

YE Ze, HE Jiao, ZHOU Xin, et al. Bi-level programming model for initial quota allocation of carbon emission rights in power generation industry[J]. Systems Engineering, 2018, 36(11): 140-146.

[23] ROCKAFELLAR R T, URYASEV S. Optimization of conditional value-at-risk[J]. Journal of Risk, 2000, 2(3): 21-41.

[24] ITO K. Taming tail risk: regularized multiple β worst-case CVaR portfolio[J]. Symmetry, 2021, 13.

[25] SHAO B, NI C, WANG J, et al. Research on venture capital based on information entropy, BP neural network and CVaR model of digital currency in Yangtze River Delta[J]. Procedia Computer Science, 2021, 187: 278-283.

[26] 陳寒, 唐忠, 魯家陽, 等. 基于CVaR量化不確定性的微電網(wǎng)優(yōu)化調(diào)度研究[J]. 電力系統(tǒng)保護與控制, 2021, 49(5): 105-115.

CHEN Han, TANG Zhong, LU Jiayang, et al. Research on optimal dispatch of a microgrid based on CVaR quantitative uncertainty[J]. Power System Protection and Control, 2021, 49(5): 105-115.

[27] 周任軍, 姚龍華, 童小嬌, 等. 采用條件風(fēng)險方法的含風(fēng)電系統(tǒng)安全經(jīng)濟調(diào)度[J]. 中國電機工程學(xué)報, 2012, 32(1): 56-63, 18.

ZHOU Renjun, YAO Longhua, TONG Xiaojiao, et al. Security economic dispatch in wind power integrated systems using a conditional risk method[J]. Proceedings of the CSEE, 2012, 32(1): 56-63, 18.

[28] 楊甲甲, 何洋, 鄒波, 等. 電力市場環(huán)境下燃煤電廠電煤庫存優(yōu)化的CVaR模型[J]. 電力系統(tǒng)自動化, 2014, 38(4): 51-59.

YANG Jiajia, HE Yang, ZOU Bo, et al. A CVaR-based coal inventory optimization model for coal-fired power plants in electricity market environment[J]. Automation of Electric Power Systems, 2014, 38(4): 51-59.

[29] 王旭東, 高賜威. 中長期市場下發(fā)電企業(yè)發(fā)電與購煤安排兩階段決策模型[J]. 電網(wǎng)技術(shù), 2021, 45(10): 3992-4001.

WANG Xudong, GAO Ciwei. Two-stage decision-making model of power generation and coal purchase arrangement for power generation companies in medium-and long-term market[J]. Power System Technology, 2021, 45(10): 3992-4001.

[30] ANTONIO J C, MIGUEL C, MORALES J M. Decision making under uncertainty in electricity markets[M]. Springer Science + Business Media, 2010.

[31] 國家發(fā)展改革委國家能源局. 關(guān)于做好2021年電力中長期合同簽訂工作的通知(發(fā)改運行[2020]1784號)[Z]. 2020.

[32] 劉麗燕, 鄒小燕. GARCH族模型在電力市場電價預(yù)測中的比較研究[J]. 電力系統(tǒng)保護與控制, 2016, 44(4): 57-63.

LIU Liyan, ZOU Xiaoyan. Comparison of GARCH models in electricity price forecasting[J]. Power System Protection and Control, 2016, 44(4): 57-63.

[33] QIAO W, YANG Z. Forecast the electricity price of US using a wavelet transform-based hybrid model[J]. Energy, 2020, 193.

[34] 陳司煥. 基于QRNN模型的碳價預(yù)測[D]. 廣州: 暨南大學(xué), 2020.

CHEN Sihuan. Carbon price prediction based on QRNN model[D]. Guangzhou: Jinan University, 2020.

[35] 王娜. 基于大數(shù)據(jù)的碳價預(yù)測[J]. 統(tǒng)計研究, 2016, 33(11): 56-62.

WANG Na. Forecasting of carbon price based on big data[J]. Statistical Research, 2016, 33(11): 56-62.

A joint decision making model for power generators to participate in the carbon market and the medium-and long-term power markets

DENG Shengsheng, CHEN Haoyong, XIAO Dongliang, DUAN Shengzhi, ZHENG Xiaodong

(School of Electric Power Engineering, South China University of Technology, Guangzhou 510641, China)

In the context of dual carbon targets and the launch of the national carbon market, power producers need to make trading decisions in both the electricity and carbon markets. At present, relevant research has not deeply considered the medium and long-term electricity market and the speculative behavior of power producers in the carbon market. To this end, this paper proposes a joint decision-making model for power producers to participate in the carbon market and the mid- and long-term electricity market. The model takes the one-year carbon market compliance period as the optimization period, and on the basis of considering the speculative behavior of power producers, uses the conditional value at risk to describe the profit risk caused by market price uncertainty. At the same time, the model improves the deficiency that the carbon price in the carbon market is only assumed to be a fixed value, and overcomes the problem that the carbon quota constraint originally based on the compliance period is forcibly decomposed into each trading period in the electricity market. This paper conducts case studies based on relevant market data in Guangdong Province, and compares the proposed decision-making model with the traditional one. The results show that power producers can make decisions based on the model in this paper considering the electricity market and carbon market, and can obtain better comprehensive benefits.

power producers; conditional value-at-risk; carbon markets; medium-and long-term; power markets; joint decision making

10.19783/j.cnki.pspc.220189

國家自然科學(xué)基金重點項目資助(51937005)

This work is supported by the Key Project of National Natural Science Foundation of China (No. 51937005).

2022-02-17；

2022-06-14

鄧盛盛(1998—)，男，碩士研究生，研究方向為電力經(jīng)濟與電力市場、碳市場；E-mail: dssncu@126.com

陳皓勇(1975—)，男，通信作者，博士，教授，研究方向為電力經(jīng)濟與電力市場、電力系統(tǒng)規(guī)劃、運行與控制等；E-mail: eehychen@scut.edu.cn

肖東亮(1990—)，男，博士，助理研究員，研究方向為電力市場與電力系統(tǒng)運行、隨機規(guī)劃、風(fēng)險管理。E-mail: dxiao@scut.edu.cn

(編輯 周金梅)